Riassunto di probabilit` a

Riccardo Pengo

1
1.1

Nozioni basilari
Assiomi di Andrej N. Kolmogorov (1933)

Definiamo esperimento aleatorio una qualsiasi esperienza che non abbia risultato certo. Chiamiamo evento elementare qualsiasi risultato possibile di questa esperienza. Definiamo evento una qualsiasi combinazione logica di eventi elementari. Il modello matematico per questa situazione ` un insieme Ω, chiamato spazio e degli eventi, avente come elementi tutti gli eventi elementari Ei . Definiamo dunque evento qualsiasi insieme A ⊆ Ω. Risultano dunque evidenti le seguenti propriet`: a Propriet` 1. S ` un evento se e solo se S ∈ P(Ω); a e ¯ Propriet` 2. S ∈ P(Ω) ⇒ S ∈ P(Ω), ovvero il complementare di un evento ` a e un evento; Propriet` 3. Si∈N ∈ P(Ω) ⇒ a
i∈N

Ai ∈ P(Ω), ovvero l’intersezione di eventi ` e

un evento; Propriet` 4. Si∈N ∈ P(Ω) ⇒ a
i∈N

Ai ∈ P(Ω), ovvero l’unione di eventi ` un e

evento. Definiamo dunque la funzione p : P(Ω) −→ [0, 1] chiamata funzione di probabilit`. L’immagine di ogni evento S ` chiamata probabilit` di S. I due assiomi a e a che riguardano la funzione p(A) sono dunque: Assioma 1. p(Ω) = 1, ossia Ω ` l’evento certo; e Assioma 2 (della numerabile additivit` ). p( a
i∈N

Si ) =
i∈N

p(Si ) ⇐⇒ Aj ∩Ak =

∅, ∀j, k ∈ N Notiamo che, quando A ∩ B = ∅, i due eventi si dicono eventi incompatibili.

1

1.2

Probabilit` condizionata a

Chiamasi probabilit` condizionata la probabilit` p(A/B) che, accaduto un evena a to B accada anche l’evento A. Essa ` definita come e p(A/B) = p(A ∩ B) . p(B)

Due eventi tali che l’accadimento dell’uno non influisce sulla probabilit` che a ¯ anche l’altro si verifichi (ovvero, in formula, p(A/B) = p(A/B)), si definiscono eventi indipendenti.

2

Teoremi fondamentali

Premettiamo la seguente definizione Definizione 1. Si definisce probabilit` a Dagli assiomi discendono immediatamente i seguenti teoremi, di cui ` fornita e dimostrazione: Teorema 1. La probabilit` del vuoto ` p(∅) = 0 a e Dimostrazione. Considerato un qualunque evento S ∈ P(Ω), ` evidente che e S ∩ ∅ = ∅, cio` che i due eventi sono incompatibili. Pertanto dall’assioma e 2 segue che p(S ∪ ∅) = p(S) + p(∅). Ma poich´ ` altrettanto evidente che e e S ∪ ∅ = S, segue che p(S) = p(S) + p(∅), ovvero che p(∅) = 0. Pertanto il vuoto rappresenta l’evento impossibile. ¯ Teorema 2. La probabilit` del complementare ` p(A) = 1 − p(A) a e ¯ ¯ ¯ Dimostrazione. Consideriamo che A ∩ A = ∅ e A ∪ A = Ω. Pertanto p(A ∪ A) = ¯ cio` p(A) = p(Ω) − p(A) = 1 − p(A) ¯ p(A) + p(A), e Teorema 3. La probabilit` dell’unione di due eventi ` p(A∪B) = p(A)+p(B)− a e p(A ∩ B) ¯ ¯ Dimostrazione. Essendo A∪B = A∪(B∩A), dove ` evidente che A∩(B∩A) = ∅, e ¯ Ma essendo B = (B ∩ A)∪(A∩B), dove ` ¯ segue che p(A∪B) = p(A)+p(B ∩ A). e ¯ ¯ ancora evidente che (B ∩ A)∩(A∩B) = ∅, segue che p(B ∩ A) = p(B)−p(A∩B). Da quanto detto discende immediatamente che p(A ∪ B) = p(A) + p(B) − p(A ∩ B). Teorema 4. La probabilit` dell’intersezione di due eventi indipendenti ` p(A ∩ a e B) = p(A) · p(B) ¯ Dimostrazione. Essendo per definizione p(A/B) = p(A/B), segue che p(A∩B) = p(B) ¯ p(A∩B) ¯ ¯ . Ma essendo p(B) = 1 − p(B) e p(A ∩ B) = p(A) − p(A ∩ B) segue che ¯ p(B) = p(A)−p(A∩B) . Dalla risoluzione di questa equazione risulta p(A ∩ B) = 1−p(B) p(A) · p(B). 2
p(A∩B) p(B)

Teorema 5 (Bayes). Data A1 , A2 , A3 , . . . , An , partizione di Ω, segue che per qualunque evento E ⊆ Ω vale la seguente formula: p(Ak /E) = p(E/Ak ) · p(Ak )
n

p(E/Ai )p(Ai )
i=1

Dimostrazione. Essendo Ak ∩E = E ∩Ak segue che p(Ak ∩E) = p(E ∩Ak ), cio` e p(E/Ak )·p(Ak ) che p(Ak /E)·p(E) = p(E/Ak )·p(Ak ). Da ci` discende p(Ak /E) = o . p(E)
n

Ora, essendo necessariamente E =
i=1

E ∩ Ai , ed essendo (E ∩ Aj ) ∩ (E ∩
n n

Ak ) = ∅, ∀1 ≤ j, k ≤ n, segue che p(E) =
i=1

p(E ∩ Ai ) =
i=1

p(E/Ai ) · p(Ai ).

Combinando quanto scritto, si ottiene la tesi.

2.1

Variabili aleatorie

Ad ogni esperimento aleatorio pu` essere associata una variabile aleatoria, ovo vero una funzione che porta dall’insieme Ω ad un insieme misurabile M , tipicamente un insieme numerico (come N,Z,Q,R,. . . ). Ovviamente deve essere X(Ω) ⊆ M , ovvero il codominio deve essere incluso nell’insieme di arrivo (che, quindi, va scelto appropriatamente). Ad ogni variabile aleatoria pu` essere associata una distribuzione di proo babilit`, ovvero una ulteriore funzione p : X(Ω) −→ [0, 1], che associa ad ogni a possibile risultato numerico dell’esperimento (ovvero ad ogni possibile immagine di un evento elementare) la probabilit` di ottenere quel determinato risultato. a pi , dunque, ` la probabilit` che X = Xi . Per definizione, questa funzione deve e a
n h

essere tale che
i=1

pi = 1 se siamo al finito, o altrimenti
k

p(x) dx = 1, dove

X(Ω) = [k, h]. Alla funzione p possono essere associati dei valori caratteristici, come ad esempio:
n

Media E(x) =
i=1

` Xi · pi , che esprime il valore pi` probaibile da ottenere. E u

anche chiamata speranza matematica.
n

Varianza V (x) =
i=1

(Xi − E(x))2 · pi , che esprime di quanto, mediamente, i

valori si discostino dalla media. Deviazione standard σ(x) = V (x), che ha uno scopo simile alla varianza ma ha come unit` di misura la stessa dei valori considerati, e non il suo a quadrato.

3

Sign up to vote on this title
UsefulNot useful